基于EVM的心率检测在微表情识别中的应用
试析微表情识别技市在观察法中的应用
试析微表情识别技市在观察法中的应用
潘峰
【期刊名称】《贵州民族大学学报：哲学社会科学版》
【年(卷),期】2014(000)003
【摘要】在后现代转向中，人类学调查资料的权威性不断遭到质疑。
微表情识别作为观察法的延伸，有助于改善受访材料失真的问题。
借用沃纳和谢弗的观察阶段划分。
文章探讨微表情识别在不断深入的田野研究进程中的应用。
【总页数】6页(P54-59)
【作者】潘峰
【作者单位】厦门城市职业学院,福建厦门361008
【正文语种】中文
【中图分类】C91-03
【相关文献】
1.试析微表情识别技术在观察法中的应用 [J], 潘峰
2.微表情识别在商务谈判中的应用 [J], 马银忠;孙君;陶红;沈玉婷;史辛柱
3.基于EVM的心率检测在微表情识别中的应用 [J], 张树诚;王笑梅
4.微表情特征画像在公安人像识别系统中的应用研究 [J], 王扶尧;郑坤泉
5.微表情识别在面试沟通工作中的应用 [J], 邹聪
因版权原因，仅展示原文概要，查看原文内容请购买。
微表情检测与识别技术研究
微表情检测与识别技术研究一、介绍微表情检测与识别技术微表情检测和识别技术是一种基于非言语交流方式的情感识别技术。
它可以通过感知到人类面部微表情，以此来检测和识别出人类内心深层情感的体现，从而有效提升人类与机器之间的人机交互能力，为众多领域和行业带来重大的应用和创新。
二、微表情的基本概念和分类微表情是一种威胁或有害情境下人类面部的短暂表达。
它是指那些持续时间短、肌肉收缩微小的面部表情。
由于微表情出现和消失都极快，因此很难被肉眼察觉。
微表情可以根据其出现的原因被分为情绪表达、欺骗表达和自发表达三类。
三、微表情检测技术微表情检测技术主要有两种方法：视频分析和生理传感技术。
视频分析方法是通过对视频数据的分析，检测和识别出微表情的存在；生理传感技术通过生理参数的变化来识别出微表情的存在。
四、微表情识别技术微表情识别技术采用计算机视觉和机器学习技术来识别和分析微表情，从而识别出其中蕴含的情感信息。
微表情识别技术的主要任务是从众多的微表情中识别出表达者内心所体现的情感。
五、微表情检测和识别技术的应用微表情检测和识别技术已经得到了广泛的应用。
它可以被应用到以下领域：1. 犯罪侦查领域，特别是在警方的犯罪调查和审讯过程中，检测出被讯问者的不良情绪和欺骗行为。
2. 教育领域，通过微表情检测和识别技术，更好地了解学生的情绪状态，从而进行更精准的教育和关注。
3. 医疗领域，微表情检测和识别技术可以用于自闭症、注意力不足、多动症等疾病的诊断和康复过程中。
4. 机器人和虚拟人物领域，通过微表情检测和识别技术，机器人和虚拟人物可以更好地与用户进行人机交互。
六、微表情检测和识别技术的未来发展微表情检测和识别技术的发展将面临着许多挑战和机遇。
随着技术的不断进步，微表情检测和识别技术将变得更加普及和便捷，并且在更多的领域得到广泛应用。
同时，人工智能技术的发展也将会促进微表情检测和识别技术的发展，推动其在更多领域的深入应用和创新。
七、结论微表情检测和识别技术的应用前景非常广阔，具有很强的实用价值。
微表情识别技术研究
微表情识别技术研究随着社交媒体和在线视频的普及，人们交流和表达情感的方式也在不断变化。
在人际关系中，非语言沟通的作用至关重要。
而微表情是一种极为微小的面部表情，短暂地显现出人的情绪情感。
微表情既能够在一定程度上反映出个体内在的情感状态，又能够与言语、肢体动作等多种线索相互印证，从而加深对个体情感状态的判断。
由此，微表情识别技术已经越来越受到各个领域的关注。
一、微表情的定义及背景微表情（microexpression）是一种极为微小、短暂而快速的面部表达方式，平均持续时间约为0.2秒，关键特征在于其意义明显，具有突然性、反常性和短暂性。
微表情是情感表达的关键，但是由于其短暂性和微小性，很难被普通人识别。
眨眼、抿嘴等微小表情的识别要求识别者对情感表达的敏锐度和专门训练。
因此，微表情识别技术应运而生。
它是对微表情的人工智能分析，为研究者提供了更多客观的数据，从而帮助研究者更好地了解和分析人类情感交流的本质和变化。
二、微表情识别技术的相关研究微表情识别技术的研究主要包括两个方面：认知特点研究和计算机视觉技术研究。
1.认知特点研究早期研究表明，微表情共有七种类型：愤怒、厌恶、畏惧、惊讶、快乐、悲伤和压抑。
换言之，微表情可以直接反映出人的情感状态和心理变化，进一步加深对个体心理状态的判断，因此可应用于情绪识别、视觉疲劳检测、人际交往分析等领域。
2.计算机视觉技术研究同时，计算机视觉技术的发展，使得微表情的识别可以被计算机更快、更准确地实现。
目前，在微表情识别技术的研究方面，主要的方法有：面部特征提取、动态模型预测、特征描述分析、分类器构建等。
其中，面部特征提取是最基本也是最核心的一项内容，也是计算机端最早使用的一种方法。
面部特征提取包括目标检测、特征点定位等处理操作，准确度与处理时间的长短因目标场景和处理器性能而异。
三、微表情识别技术在实际应用中的情况作为一种新兴的技术，微表情识别技术具备着广泛的应用前景。
在这个看脸的世界,测量心率也可以“刷脸”了
在这个看脸的世界，测量心率也可以“刷脸”了你的面部表情可以隐藏许多秘密，美剧 Lie to Me 介绍了一些从微表情中判断是否说谎的小技巧。
比如，超过一秒的吃惊表情都是装的，手放在眉骨附近表示羞愧，摸鼻子可能表示想要掩饰些什么……现在，科学家们发现，某些人眼无法察觉的表情变化，可能藏有健康风险的线索。
美国罗彻斯特大学最近发表了一项用网络摄像头帮助发现潜在心脏病风险的研究，发表在 Heart Rhythm Journal 上，被称为“诊断界的 FaceTime”。
这一技术主要被应用于心房颤动的诊断。
心房颤动，又称房颤，是一种常见的早期心律失常，主要症状是心房激动不规则，不产生有效的机械收缩，长时间房颤可能诱发心力衰竭。
如果心房失去收缩功能，容易形成心房血栓，导致患者致死或致残。
全世界一年中有至少 3300 万人受到房颤的威胁，而其中的 30% 并没有及时发现，获得治疗。
这种可以用于帮助诊断的网络摄像头是由罗彻斯特大学医学院的研究团队与施乐（Xerox）合作开发的，研究团队为扫描参与测试者的面部表情编写了专用的算法，可以抓取面部微小的变色情况。
摄像头通过检测绿色光谱的映像，检测人体面部血红素的变化。
这种视频监测的方法，被命名为 videoplethymography，那些肉眼难以察觉的变化，可能预示着测试者的心率失常的潜在风险。
11 位志愿者参与了测试，研究人员在测试摄像头的同时为志愿者进行常规的心电图检查，以检测 15 秒的摄像头扫描结果与实际心脏疾病风险的相关性，发现二者的结果相当符合。
研究人员宣称，那些需要接触人体测量的自动心电图检测方法的误差在 17-29% 之间，而他们的这项研究错误率仅为 20%。
考虑到这项研究仅仅是试点研究，要真正将“刷脸“诊断心脏疾病带入现实，还需纳入更具差异性的测试人群，和更多的临床实验。
而专业医生则对此表示保留意见，毕竟人命关天，没有足够的实验结果支撑，自动诊断离真正投入使用，还有很长一段距离。
基于面部视频分析的非接触式心率实时检测研究
基于面部视频分析的非接触式心率实时检测研究基于面部视频分析的非接触式心率实时检测研究摘要：心率是反映人体生理健康状况的重要指标之一。
传统的心率检测方法往往需要接触式设备，如心电图仪等，而这些传统方法对被测者存在一定的干扰和不便之处。
因此，本研究旨在利用面部视频分析的技术，实现非接触式的心率实时检测。
通过对人脸区域进行图像处理和分析，结合信号处理算法，可以准确地提取出心率信号，从而实现实时监测和分析。
关键词：心率、面部视频分析、非接触式、实时检测一、引言心率作为一个重要的生理指标，对人体健康状况的评估具有重要的意义。
传统的心率检测方法主要是通过接触式的设备来进行监测，如心电图仪等。
然而，这些传统方法需要接触皮肤，对被测者相对来说不太舒适，并且不适用于大规模监测。
因此，研究人员开始探索非接触式的心率检测方法，以提高监测的便捷性和舒适性。
二、面部视频分析的原理面部视频分析是通过对人脸图像的处理和分析来获取相关的生理信息。
在人脸图像中，脸部的皮肤颜色变化与心率之间存在一定的关联性。
当心脏收缩时，面部皮肤会接受到更多的供血，从而导致脸部皮肤颜色的微小变化。
利用这种颜色变化，可以通过图像处理和信号处理的技术，提取出心率信号。
三、心率提取算法心率提取算法是实现非接触式心率检测的关键。
首先，需要对采集的面部视频进行预处理，包括图像增强、人脸检测和跟踪等。
然后，通过选择合适的颜色通道，如红绿蓝（RGB）通道或色度饱和度亮度（HSL）通道，提取出面部皮肤的颜色信息。
接下来，利用波峰检测和频域分析等方法，从颜色信息中提取出心率信号。
最后，对心率信号进行去噪和滤波等处理，得到准确的心率值。
四、实验设计与结果分析本研究选取了一批志愿者作为被试对象，对其进行非接触式心率实时检测。
实验过程中，被试者坐立不动，面部被电脑摄像头拍摄，并与心电图仪同步记录。
通过对采集的面部视频进行处理，并运用心率提取算法，成功地提取出被试者的心率信号，并与心电图仪数据进行对比。
基于神经网络的心率识别技术研究
基于神经网络的心率识别技术研究心率是衡量人体健康的重要指标之一。
当我们进行运动、感知情绪、睡眠时，心率会有不同的变化。
因此，对心率的准确监测和识别对人体健康至关重要。
随着科技的不断进步，现在基于神经网络的心率识别技术也逐渐成熟，能够更加准确地识别不同心率状态。
一、心率概述心率描述的是心脏每分钟跳动的次数，通常用bpm (beats per minute)表示。
正常人的心率通常在60-100 bpm之间。
在每天的不同时间，心率也会有所不同。
例如，当人体处于放松状态时，心率会相对较低，而在体育锻炼过程中，心率会升高，以满足人体的需求。
现在随着社会的快节奏、生活压力的增大以及人们对健康的更加关注，越来越多的人将心率作为衡量自己健康的指标之一，因此精确的心率识别技术变得格外重要。
二、神经网络神经网络可以模拟人类神经系统的工作原理，通过多个节点之间的信号传递和计算得到输出。
它具有优秀的模式识别和预测能力，在许多领域都有广泛的应用，例如图像识别、语音识别、自然语言处理等。
神经网络的一个重要的特点是，它可以进行“学习”。
也就是说，神经网络可以通过输入输出的数据，进行调整和优化。
这样就可以逐渐提高神经网络的准确性和稳定性。
三、基于神经网络的心率识别技术研究心率识别技术在目前的医疗健康领域已经有广泛的应用。
传统的心率监测技术依靠体表的心电图进行测量，但是需要接触皮肤，操作比较繁琐，监测时间也相对较长。
基于神经网络的心率识别技术则更为方便快捷，能够通过无线传感器等设备，实时监测心率数据。
基于神经网络的心率识别技术主要分为以下两个步骤：1. 数据获取和预处理在进行神经网络的训练之前，首先需要通过传感器、心电图等仪器，获取心率数据。
这些数据通常包括：心率数值、时间戳、个人信息等相关内容。
在获取数据后，还需要进行数据的清洗和预处理。
通常这个过程中会使用最小二乘法、FFT、小波变换等传统的处理方法，以便提高数据质量，减少冗余信息和噪音。
微表情检测及应用简介
浅谈微表情检测方法和应用姓名：学号：日期：微表情是指人类在极短的时间内（约1/25秒至1/15秒）出现的极其细微的面部表情，是我们在面对外部环境的刺激时不经意间透露出的真实情感。
迄今为止，对于微表情的研究远没有达到一个可靠且全面的共识，但随着近年来计算机视觉技术的飞速发展，对微表情检测的研究也逐渐取得了长足的进步。
本文将阐述微表情检测的实现方法，并展望其未来可能的应用领域。
一、微表情检测的实现方法微表情检测方法主要包括五个步骤：数据采集、预处理、特征提取、建模与分类、检测与分析。
1.数据采集：收集大量含有人脸表情的图像或视频数据。
这些数据可以通过摄像头实时捕捉，也可以从公共数据集中获取。
为提升数据的多样性及可靠性，数据采集过程中应注意保证各种表情、年龄、性别、种族等方面的代表性。
2.预处理：在采集的数据中，通过人脸检测和对齐技术，实现对人脸图像的准确提取及规范化处理。
3.特征提取：从规范化后的人脸图像中提取微表情的特征。
目前，特征提取方法主要包括传统人工设计特征和基于深度学习的特征提取。
传统方法包括局部二值模式（Local Binary Patterns，LBP）、光流法（Optical Flow）等；而基于深度学习的方法，通常采用卷积神经网络（Convolutional Neural Networks，CNN）进行特征学习。
（1）传统方法：局部二值模式(LBP) 是一种简单但极具表达力的面部纹理描述符，通过对比领域像素值差异来提取图像纹理信息。
光流法是通过计算图像序列中相邻帧之间像素的运动来描述面部动态表情变化。
这两种方法凭借较低的计算复杂度和易实施性，在微表情检测领域取得了初步成果。
（2）基于深度学习的方法：随着深度学习技术的发展，卷积神经网络（CNN）已被证明具有优越的特征提取能力。
在微表情检测任务中，由于序列数据的时序信息对于微表情特征的表达至关重要，因此常采用时序卷积神经网络（Temporal Convolutional Networks, TCN）或者长短时记忆网络（Long Short-Term Memory, LSTM）等时序模型进行特征提取。
基于心率变异性的情绪识别研究
生物医学工程研究ＪｏｕｒｎａｌｏｆＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇＲｅｓｅａｒｃｈ２０２０，３９（２）：１２８～１３２ＤＯＩ １０．１９５２９／ｊ．ｃｎｋｉ．１６７２－６２７８．２０２０．０２．０４天津市教委科研计划项目（２０１９ＫＪ０２３）。
△通信作者 Ｅｍａｉｌ：ｃｈｅｎｒｕｉｊｕａｎ＠ｔｊｐｕ．ｅｄｕ．ｃｎ基于心率变异性的情绪识别研究易慧１，陈瑞娟１△，邓光华１，胡淑芬１，肖淑绵１，王慧泉１，２（１．天津工业大学生命科学学院，天津３００３８７；２．天津市光电检测技术与系统重点实验室，天津工业大学，天津３００３８７）摘要：为探究不同情绪下的自主神经系统的特征变化，本研究基于心率变异性的特征信息研究了不同情绪的分类识别。
采集了恬静、气愤、悲伤、恐惧、厌恶、平静、惊奇、搞笑等八种情绪的心电信号，采用小波变换去除噪声干扰，提取了心率变异性的时域、频域等特征参数，并利用支持向量机算法实现了情绪分类。
结果表明，本研究方法对于情绪识别具有较高准确性，通过优化支持向量机的参数，对于不同情绪的识别精度可达到６０％～７５％。
基于心率变异性的特征信息进行多种情绪的分类识别方法在影片的测评、培训效果评价等方面具有重要意义。
关键词：情绪识别；心率变异性；小波变换；支持向量机；心电中图分类号：Ｒ３１８ 文献标识码：Ａ 文章编号：１６７２ ６２７８（２０２０）０２ ０１２８ ０５ＲｅｓｅａｒｃｈｏｎｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｈｅａｒｔｒａｔｅｖａｒｉａｂｉｌｉｔｙＹＩＨｕｉ１，ＣＨＥＮＲｕｉｊｕａｎ１，ＤＥＮＧＧｕａｎｇｈｕａ１，ＨＵＳｈｕｆｅｎ１，ＸＩＡＯＳｈｕｍｉａｎ１，ＷａｎｇＨｕｉｑｕａｎ１，２（１．ＳｃｈｏｏｌｏｆＬｉｆｅＳｃｉｅｎｃｅｓ，ＴｉａｎｊｉｎＰｏｌｙｔｅｃｈｎｉｃＵｎｉｖｅｒｓｉｔｙ，Ｔｉａｎｊｉｎ３００３８７，Ｃｈｉｎａ；２．ＴｉａｎｊｉｎＫｅｙＬａｂｏｒａｔｏｒｙｏｆＰｈｏｔｏｅｌｅｃｔｒｉｃＴｅｓｔｉｎｇＴｅｃｈｎｏｌｏｇｙａｎｄＳｙｓｔｅｍ，ＴｉａｎｊｉｎＰｏｌｙｔｅｃｈｎｉｃＵｎｉｖｅｒｓｉｔｙ，Ｔｉａｎｊｉｎ３００３８７）Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｅｘｐｌｏｒｅｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｃｈａｎｇｅｓｏｆａｕｔｏｎｏｍｉｃｎｅｒｖｏｕｓｓｙｓｔｅｍｕｎｄｅｒｄｉｆｆｅｒｅｎｔｅｍｏｔｉｏｎｓ，ｅｍｏｔｉｏｎｓｗｅｒｅｃｌａｓ ｓｉｆｉｅｄａｎｄｉｄｅｎｔｉｆｉｅｄｂａｓｅｄｏｎｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｉｎｆｏｒｍａｔｉｏｎｏｆｈｅａｒｔｒａｔｅｖａｒｉａｂｉｌｉｔｙ（ＨＲＶ）．Ｗｅｃｏｌｌｅｃｔｅｄｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈ（ＥＣＧ）ｓｉｇ ｎａｌｓｏｆｅｉｇｈｔｅｍｏｔｉｏｎｓｉｎｃｌｕｄｉｎｇｑｕｉｅｔ，ａｎｇｅｒ，ｓａｄｎｅｓｓ，ｆｅａｒ，ｄｉｓｇｕｓｔ，ｃａｌｍｎｅｓｓ，ｓｕｒｐｒｉｓｅａｎｄａｍｕｓｅｍｅｎｔ，ｕｓｅｄｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｔｏｒｅｍｏｖｅｎｏｉｓｅｉｎｔｅｒｆｅｒｅｎｃｅ，ｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｐａｒａｍｅｔｅｒｓｏｆＨＲＶｉｎｔｉｍｅｄｏｍａｉｎａｎｄｆｒｅｑｕｅｎｃｙｄｏｍａｉｎｗｅｒｅｅｘｔｒａｃｔｅｄ，ａｎｄｅｍｏｔｉｏｎｃｌａｓ ｓｉｆｉｃａｔｉｏｎｗａｓｒｅａｌｉｚｅｄｂｙｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅａｌｇｏｒｉｔｈｍ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｗａｓａｃｃｕｒａｔｅｆｏｒｅｍｏｔｉｏｎｒｅｃ ｏｇｎｉｔｉｏｎ，ｔｈｅａｃｃｕｒａｃｙｒｅａｃｈｅｄｔｏ６０％～７５％ｂｙｏｐｔｉｍｉｚｉｎｇｔｈｅｅｉｇｅｎｖａｌｕｅｓａｎｄａｄｊｕｓｔｉｎｇｔｈｅａｌｇｏｒｉｔｈｍｐａｒａｍｅｔｅｒｓ．Ｔｈｅｍｅｔｈｏｄｔｏｃｌａｓｓｉｆｙａｎｄｉｄｅｎｔｉｆｙｖａｒｉｏｕｓｅｍｏｔｉｏｎｓｂａｓｅｄｏｎｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｉｎｆｏｒｍａｔｉｏｎｏｆｈｅａｒｔｒａｔｅｖａｒｉａｂｉｌｉｔｙｉｓｏｆｇｒｅａｔｓｉｇｎｉｆｉｃａｎｃｅｉｎｆｉｌｍｅｖａｌ ｕａｔｉｏｎａｎｄｔｒａｉｎｉｎｇｅｖａｌｕａｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：Ｅｍｏｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎ；Ｈｅａｒｔｒａｔｅｖａｒｉａｂｉｌｉｔｙ；Ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ；Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ；Ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈ１ 引 言情绪在人们生活中扮演重要角色，它影响着人们的行为，人机情感交互的关键技术之一是情绪识别，引发“情感计算”的出现［１］，情绪识别是对他人情绪状态进行识别和解释的方法［２］，近年来这一领域正逐渐成为研究热点。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第36卷第3期计算机仿真2019年3月文章编号:1006-9348 (2019 )03-0453-05基于E V M的心率检测在微表情识别中的应用张树诚，王笑梅(上海师范大学，上海200030)摘要:随着谎言检测的深入探究，微表情识别研究得到了很大的关注，心率变化作为体现情绪变化的另一种形式，也可能对 微表情识别有一定的影响。
研究目的是找寻心率变化和微表情的关系。
利用欧拉视频放大算法，实现非接触式心率提取，并对目前已公开的微表情数据库CAS(MEK2数据进行分析。
通过测录视频进行实验分析，提出的心率提取算法可得到 95%的准确率，对数据库数据进行心率检测的结果与表情数据进行对比，可以得到恐惧、愤怒、悲伤等情绪与心率变化存在一定关系。
关键词：欧拉视频放大算法;心率检测算法;微表情；自发微表情数据库中图分类号:TP391.4 文献标识码：BApplication of Heart Rate Detection Based on EVMin Micro-Expression RecognitionZHANG Shu-cheng，WANG Xiao-mei(Shanghai Normal University, Shanghai 200030, China)A B S T R A C T：With the deep exploration of l i e s detection,micro - expression recognition research has been a greatconcern.The changes of heart rate as a manifestation of emotional changes in another form may also have a certain impact on micro-expression recognition.The purpose of t h i s paper i s t o find the relationship between heartbeat and micro-expression.W e use Euler video amplification algorithm t o achieve non-contact heart r a t e extraction, and analyze the data in micro-expression database CAS (M E) A2 which has been published currently.By recording videosf o r experimental analysis, the r e s u l t of non-contact heart r a t e extraction can obtain 95% accuracy.And comparingthe heart r a t e results and the expression data in the database, we can get t hat there i s a certain relationship between the emotions which are fear, anger and sadness with the changes of heart rates.K E Y W O R D S：E V M；Heart-rate detected ；Micro-expression ；C A S(M E)^2l引言微表情是个人试图隐藏真实情绪时出现的快速和简短 的表达n，2]。
与正常表情相比,微表情的瞬时性使得即使受 过专业培训的专家，通过用肉眼来逐帧观察，也只能达到 47%的准确率[3]。
E k m a n首先发现了微表情,他在审査一个 心理病人的视频时，发现一个隐藏在微笑中的短暂的悲伤表 情，以此掩饰自杀的企图。
自此，微表情研究受到了越来越 多的关注,Ekm a n甚至声称微表情可能是研究谎言检测最有 突破的方向[2]。
作为传统的谎言检测系统，广泛运用的是测 谎仪,它可以监测在受试者说谎时，心率和皮肤电位信号不 由自主的变化，但这种方法会使受试者受到接触性干扰。
因此，自动和准确的微表情识别系统对解决谎言检测问题很有 帮助。
收稿日期:2017-10-30修回日期:2017-12-18目前，微表情识别已有一定的成果，如有：Simgsoo Park 等人结合放大特征点运动矢量与主动外观模型（AAM)的特 征提取法[4]$31^111Krishna等人结合欧拉视频放大算法(EVM)与定向梯度的直方图（H O G)的特征提取法[5];B.M. S.BaharTalukder等人基于自发微表情数据库（SM1C)和 MMI面部表情数据库、结合欧拉视频放大算法（EVM)和局 部二值模式-三正交平面（LBP-TO P)的特征提取法[6];0h 等人基于中科院自发微表情数据库（CASME D )、结合欧拉 视频放大算法（EVM)和局部二值模式-三正交平面（LBP- T0P)的特征提取法⑴；Elham Zarezadeh等人基于自发微表 情数据库（SMIC)和CA SM E数据库、结合欧拉视频放大算法 (EVM)和特征面法的特征提取法等[8]。
然而，目前的研究现状都是基于运动放大技术的基础上 研究微表情识别,类比于测谎仪的功能，本文试图从心率的 角度研究为表情识别技术。
为此，在将微表情和心率的检测统一在视频图像处理下时,试图寻找两者联系。
2基于图像的心率提取2.1欧拉放大算法欧拉放大算法w(见图1)是对标准视频序列进行空间 分解，接着对每帧进行时域滤波，经过处理后的结果信号就 是放大的隐藏信息。
使用该方法，可以可视化血液流过脸庞 时的流量，还可以放大并显示微小的动作。
欧拉放大算法图1欧拉视频放大算法流程图令/(*,〇表示位置1和时间t的图像强度。
由于图像经 历平移运动，可以用S(t)表示相对于位移函数八幻。
运动 放大的目的是合成信号=/(* + (l+a)5(〇) (1)其中，a表示放大系数。
假设图像可以通过一阶泰勒级数近似展开,在时间t上，对/(* + S(〇)处以关于;c的一阶泰勒展开形式写入图像，如«/(*) +5(t) ^(2)dx令s(u)是将宽带时间带通滤波器应用到每个位置*(除了 /(*)之外的所有位置）中的/(*,«)的结果）。
现在,假设信 号S(t)在时间带通滤波器的通带内（稍后会放宽该假设）。
然后可以得到B(x,t) =S(t)^-(3)dx接着通过放大系数a放大该带通信号，并将其加到/(*, «)上，得到处理后的信号7(x,t)=I(x t t)+a B(x,t)(4)联立式(2)(3)(4),可得K x,t)-/(*) + (1 +a)5(j)(5)OX假设信号（1 +a)s(t)的一阶泰勒扩展成立对放大有较 大扰动，可以将时域带通信号的幅度与运动幅度相关联。
由此可以得到更加简单的输出表达：7(x,t)^/(x +(l +a)5(〇) (6)这表明处理幅度运动-时间t处的局部图像/(*)的空 间位移S(*)已被放大到（1 + a)的幅度。
2.2 光电容积脉搏技术原理H e r t o m m于1938年首次提出光电容积脉搏波描记法(P P G)的概念[1°]，其主要原理是通过反射或透射光束变化 来检测微动脉毛细血管中血液容积变化来提取脉搏信号。
实际情况下，照射到皮肤区域的光束与皮肤组织的相互作用 非常复杂，为了简化作用过程，这里仅考虑血液容积变化对 光线的吸收变化。
根据朗伯比尔定律,假设光束垂直照射到 皮肤上的波长和光照强度分别为A和/。
，则通过该区域的微 动脉、毛细血管的透射光强度为I = (7)其中表示血液的浓度;&示血液的吸收系数;表示血液的体积。
当由于心脏搏动引起的，检测区域的微动脉或毛 细血管中血液体积变化时，透射光强度变化为4/,则有:/+4/= /，々<*( W(8)式(8)除以式(7)可得：I+ AI ~ e-V«<v«^v，a)v'将式（9)等号两边同取对数并利用近似公式$可得^- C ae aA V a(10)对式（1)等号两边同取对数并变形有Va=ln(j-)/(-Cae a)(11)式（11)除以式（10)可得令=X t)(12)其中，$可以表示血液容积变化率可以表示光强变化率。
根据式（12)可以得到两者成正比，从而可以从光强的 变化中提取脉搏波信号。
2.3 心率提取算法本文的非接触式心率提取算法是基于欧拉放大算法提 出的。
已知欧拉放大算法可以放大皮肤的颜色变化程度，另一方面，利用光电容积脉搏波技术的原理，实现了提取皮肤 颜色的周期变化信号，通过F F r分析最终计算出心率数据。
流程图如图2。
算法的细节方面，输入的视频会作为序列帧进行数据处 理，如图3(a)。
本算法采用Viola - Jones人脸检测算法，使 其能在保证人脸检测精度的同时具有较快的检测速度。
对 于检测到的每张人脸,Viola - Jones人脸检测算法会返回一 个包含人脸位置的矩形区域，在本文的心率提取算法中，选 取返回矩形区域宽度的60%和高度的80%作为感兴趣区 域，如图3(b)。
在人脸检测的同时算法会对输人的视频序 列帧进行时间长度是15秒的窗口计数，接着对该片段进行 心率信号的提取，具体操作是当窗口数据满时，利用欧拉视 频放大处理算法处理视频片段，再将处理后视频每一帧的 Y C b C r通道分开,并分别计算各通道感兴趣区域内像素的空 间平均值，如图3(c)。
由此得到对应到处理窗口中的视频图2 心率提取算法流程图序列的三段原始心率信号:*,(«) ,*2(t),力（〇。
接着对原始心率信号进行归一化及去趋势化处理X X D=(13)其中，对i = 1,2,3，义(*)表不通道的原始心率信号,/i,、〇■,.分图3 心率提取过程预处理中包括对窗口内的信号进行带通滤波处理，以消 除噪声对心率检测结果提取的影响。
经过预处理后的三个 信号序列进行快速傅里叶变换来分别得到三个信号序列的 功率谱密度,通过选取视频图像的C6通道像素均值形成的 信号序列的最大功率谱对应的频率作为心率值。
3微表情数据库选择当前，微表情数据库是稀少的。
经査阅文献，仅发表了 七个微表情数据库:U S F-H D[3]; Polikovsky的数据库[1|];中芯国际[12]及中芯国际扩展版t l3];和C A S M E及其扩展版 C A S M E 丨丨[|5],还有最新的 C A S(M E)*2[16]。